文摘
英文文摘
声明
第一章绪论
1.1研究背景及意义
1.2雷达目标识别技术概述
1.2.1二维微波像目标识别
1.2.2一维距离像目标识别
1.3论文的主要研究内容和章节安排
第二章高分辨雷达距离像模型及其特点
2.1雷达目标散射中心模型
2.2一维距离像特点
2.3实验数据
2.3.1数据描述
2.3.2数据预处理
2.4本章总结
第三章基于核样本概念的雷达目标识别研究
3.1主成分分析
3.1.1主成分分析(PCA)原理
3.1.2基于PCA的目标特征提取
3.2线性判别分析(LDA)
3.3核函数的定义和简介
3.4基于核样本概念的目标识别
3.4.1核样本概念简介
3.4.2核样本集的类内与类间离散度矩阵计算方法
3.4.3核样本的特征提取
3.4.4分类器设计
3.4.5基于核样本概念的目标识别算法步骤
3.5本章实验结果
3.6本章总结
第四章基于改进支持向量机的雷达目标识别研究
4.1统计学习理论简介
4.1.1 VC维和推广性的界
4.1.2结构风险(SRM)最小化
4.2支持向量机
4.2.1线性不可分样本集的最优分类面
4.2.2支持向量机(SVM)
4.2.3支持向量机的多类分类识别
4.2.4基于C-SVM算法的雷达目标识别结果
4.3一种广义C-SVM算法
4.3.1线性不可分样本集的不等距最优分类面
4.3.2广义C-SVM算法
4.3.3修正C-SVM算法
4.3.4本节实验结果
4.4支持向量机的一种改进策略
4.4.1 SVM算法框架下支持向量的特点
4.4.2模糊隶属度的计算方法
4.4.3训练样本规模缩小的具体实现
4.4.4本节实验结果
4.5本章总结
第五章基于改进LS-SVM算法的雷达目标识别研究
5.1最小二乘支持向量机(LS-SVM)
5.1.1最小二乘支持向量机的算法推导
5.1.2最小二乘支持向量机的多类分类识别
5.1.3基于LS-SVM算法的雷达目标识别结果
5.2一种广义LS-SVM算法
5.2.1广义LS-SVM算法的推导过程
5.2.2修正LS-SVM算法的简单说明
5.2.3本节实验结果
5.3迭代式增量LS-SVM算法
5.4一种新的LS-SVM稀疏化算法
5.4.1现有LS-SVM稀疏化算法的不足
5.4.2新的LS-SVM稀疏化算法的数学指导思想
5.4.3二阶Renyi熵
5.4.4新的LS-SVM稀疏化算法的具体实现
5.4.5几点问题说明
5.4.6本节实验结果
5.5本章总结
第六章结论和展望
致谢
参考文献
攻硕期间取得的研究成果